目的

最近一直都在看机器学习方面的书籍，我打算把自己的学习过程和心得记录下来，
也算是一个学习成果吧。

文章结构

每篇文章结构大致会分为概述，工作原理，算法实现，算法实战和总结等五大部分。
文章中涉及到的专业词汇会放到文章末尾的表格中，便于理解。

学习思路

我打算采用学阶段，系统化，模块化的学习方式进行自学。
因为机器学习涉及很多专业学科，学起来比较枯燥。
所以我打算采用情景化的方式，尽量将机器学习和测试情景结合起来，
这样学习和理解起来可能会更容易一些。
好了，开始学习啦！

什么是机器学习

• 让机器具有学习能力
• 机器学习是达成人工智能这个目标的手段
• 深度学习就是机器学习的其中一种方法

机器学习三大步骤

1. 建模 - 一系列的函数来实现预期功能
2. 评价 - 一系列评价标准来评价函数的好坏
3. 优化 - 快速找到性能最优的函数

环境搭建

不同的 Python 环境

为什么搭建不同的 Python 环境 ，Python 之所以强大，除了语言本身的特性之外，更重要的是拥有强大的软件库，但众多的软件库，形成了复杂的依赖关系，对采用 Python 开发的项目造成了不少困扰，所以建议通过虚拟环境工具为项目创建纯净的依赖环境

pip，pipenv 和 conda 区别

pip 是最常见的包管理工具，通过 pip install 命令格式来安装软件包，使用的是 pypi.org 是官方指定的软件包库
pipenv 是 Python 依赖管理工具，pipenv 会自动帮你管理虚拟环境和依赖文件并且提供了一系列命令和选项来帮助你实现各种依赖和环境管理相关的操作
conda 多用作科学计算领域的包管理工具，使用的软件包源是 Anaconda repository 和 Anaconda Cloud
conda 不仅支持 python 软件包，还可以安装 C，C++，R 及其他语言的软件包，除了软件包管理外，还能提供相互隔离的软件环境

创建虚拟环境

使用 virtualenv

1、安装 virtualenv

Python3.3 之前使用 virtualenv 工具

pip install virtualenv

2、创建虚拟环境

当前目录下创建一个名为 myvenv 的虚拟环境

virtualenv --no-site-packages myvenv

参数 --no-site-packages 的意思是创建虚拟环境时，不复制主环境中安装的第三方包，
也就是创建一个 “干净的” 虚拟环境。
Python3.3 之后使用 venv 模块
当前目录下创建一个名为 myvenv 的虚拟环境

python -m venv myvenv

3、激活虚拟环境

source myvenv/bin/activate

4、退出虚拟环境

deactivate

使用 conda

1、安装 Anaconda

Anaconda

2、创建虚拟环境

conda create -n your_env_name python=x.x

anaconda 命令创建 python 版本为 x.x，名字为 your_env_name 的虚拟环境。
your_env_name 文件可以在 Anaconda 安装目录 envs 文件下找到。

3、激活虚拟环境

activate your_env_name

4、关闭虚拟环境

deactivate your_env_name

查看当前存在哪些虚拟环境

conda env list 

conda info -e

对虚拟环境中安装额外的包

conda install -n your_env_name [package]